全身性動脈硬化會導致血液循環(huán)停滯,甚至引發(fā)梗死。視網膜動脈硬化是全身性動脈硬化的典型表現(xiàn),且視網膜血管是唯一可進行無創(chuàng)觀察的血管,因此可通過定期視網膜動脈硬化檢測了解全身動脈血管的硬化程度,及時采取醫(yī)療手段對病情進行干預。目前,醫(yī)生憑借經驗觀察眼底圖像實現(xiàn)視網膜動脈硬化診斷,但該方法工作量大、效率低,不適用于大規(guī)模人口疾病普查,所以當前急需一種自動檢測方法。視網膜動脈硬化可通過判斷眼底圖像中動脈反光帶相對于動脈血管的灰度和寬度是否增加來確定,因此視網膜動脈硬化檢測方法首先需要分割得到動脈血管和動脈反光帶,并基于此進行視網膜動脈硬化檢測。針對動脈血管及動脈反光帶的分割任務,本文提出基于改進型編解碼網絡的動脈血管和動脈反光帶的分割方法。首先,在樣本制作中,對動靜脈血管及動脈反光帶進行標注,靜脈血管的標注有助于網絡減少因動靜脈血管特征相似而引起的錯誤分割;其次,結合Inception Res Net V2模塊和殘差注意力機制模塊改進編解碼網絡Seg Net,Inception Res Net V2模塊使網絡能提取到多尺度特征,殘差注意力機制模塊可增強網絡的特征聚焦能力,能更好地將動靜脈血管及... 

【文章來源】：天津工業(yè)大學天津市

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

正常視網膜眼底圖像

二種則是在全身性疾病基礎上出現(xiàn)的視網膜動脈硬化。如果只是單純性老年生理性視網膜動脈硬化，并且無高血壓和糖尿病等全身疾患，同時也無其他眼部異常情況，那么僅需要定期隨訪、注意飲食即可，但如果是第二種情況，那么說明全身血管都處于病變中，其危險性取決于動脈血管的硬化程度。視網膜動脈硬化會對視網膜動脈血管的管徑和亮度產生影響[7]，導致患者的眼底動脈血管管壁光學密度增加，管腔縮小而變窄，產生反射亢進，表現(xiàn)為視網膜動脈硬化不同時期的血管反射頻帶和反射亮度的變化[8-9]。存在視網膜動脈硬化的眼底圖像如圖1-2所示。當出現(xiàn)動脈硬化時，動脈反光帶加寬，血柱顏色由正常紅色變成金屬亮銅色，如圖1-2中第1、2幅圖所示。當動脈硬化持續(xù)加重時，血管呈白色銀絲反光，如圖1-2中第3幅圖所示。圖1-2視網膜動脈硬化的眼底圖像對比在中國有上百萬眼科疾病患者，但眼科醫(yī)生僅有3.5萬人。眼科疾病的診斷需要耗費醫(yī)生大量時間去分析眼底圖像，存在工作量大、效率低的缺點，所以人工檢查的方法已不適用于大規(guī)模眼科疾病的普查。臨床上，醫(yī)生對于視網膜動脈硬化的診斷方法主要是憑借經驗對眼底圖像進行觀察，通過判斷動脈反光帶相對于動脈血管的反光程度和寬度是否增加，從而判定眼底圖像是否存在視網膜動脈硬化。因此，本文將寬度比(動脈反光帶與動脈血管寬度之比)和灰度比(動脈反光帶平均灰度與動脈血管平均灰度之比)統(tǒng)稱為反光帶參數(shù)，并將其作為視網膜動脈硬化檢測的主要依據。為了計算反光帶參數(shù)，需要分割提取出眼底圖像中的動脈血管和動脈反光帶，再對其進行灰度擬合，從而實現(xiàn)視網膜動脈硬化檢測。視網膜動脈硬化檢測主要存在兩個關鍵問題，分別是動脈血管和動脈反光帶的分割、視網膜動脈硬化的定量檢測。一方面，視網膜血管的分割

?募虻ズ透叢酉赴?娜斯ね?紓??鏝eocognitron包括幾個卷積層，其感受野具有權重向量，能夠識別模式并且保持不受位置變化的影響。Fukushima的Neocognitrn可以說是第一個神經網絡，被認為啟發(fā)了當今的卷積神經網絡研究。1989年，法國科學家YannLeCun將一種后向傳播風格的學習算法應用于Fukushima的卷積神經網絡結構中。因此，LeCun幾年后發(fā)布了LeNet-5[30]，這是第一個被引入且其基本成分至今仍然在卷積神經網絡中使用的現(xiàn)代網絡。隨后，LeNet-5網絡被應用于角色識別和閱讀郵政編碼的商業(yè)產品中。卷積神經網絡演變過程如圖2-1所示。圖2-1卷積神經網絡演變過程隨著計算機硬件平臺的發(fā)展，計算機運算速度更快、功能更強大。研究人員可以訪問大型標記的高維視覺數(shù)據集，能夠充分訓練深度學習模型。2012年，多倫多大學團隊參加了每年ImageNet舉辦的大規(guī)模視覺識別競賽(ImageNetLargeScaleVisualRecognitionChallenge,ILSVRC)[31]，團隊提出的AlexNet網絡[32]直接將圖像分類的錯誤率從26%降低到16.4%。接下來幾年中，ILSVRC中

【參考文獻】：
期刊論文
[1]基于梯度二階導數(shù)的Canny閾值自適應選取算法[J]. 趙婭琳,陶青川,盧倩雯,劉蔓霄.  科學技術與工程. 2018(14)
[2]基于改進sigmoid激活函數(shù)的深度神經網絡訓練算法研究[J]. 黃毅,段修生,孫世宇,郎巍.  計算機測量與控制. 2017(02)
[3]基于匹配濾波和自動閾值的眼底血管分割方法[J]. 曹新容,薛嵐燕,林嘉雯,余輪.  電子測量與儀器學報. 2017(01)
[4]基于HESSIAN增強和形態(tài)學尺度空間的視網膜血管分割[J]. 于揮,王小鵬.  計算機應用與軟件. 2016(08)
[5]圖像邊緣檢測算法研究與分析[J]. 宋曙光.  光機電信息. 2010(09)
[6]教職工眼底動脈硬化檢查及分析[J]. 趙怡紅,趙芳玲,趙玉新,李雪.  中國熱帶醫(yī)學. 2005(09)
[7]視網膜動脈硬化與腦動脈硬化檢查的對比研究[J]. 王素君,葉軍,陳東芹.  中西醫(yī)結合眼科雜志. 1998(03)
[8]基于高斯擬合的中軸反光度測量[J]. 陶波,鄭筱祥.  浙江大學學報(自然科學版). 1998(02)

碩士論文
[1]基于視頻的多人臉檢測與跟蹤算法的研究[D]. 田雄.杭州電子科技大學 2019
[2]基于機器學習的地物圖像分類方法研究[D]. 宋超峰.中北大學 2018
[3]深度卷積網絡中的自適應激活函數(shù)研究[D]. 劉華.華南理工大學 2018
[4]基于二階池化和超完備表示的深度學習人臉識別研究[D]. 鄧啟力.哈爾濱工業(yè)大學 2017
[5]基于卷積神經網絡的人臉識別研究[D]. 葉浪.東南大學 2015
[6]一種基于貝葉斯檢測理論的視網膜圖像血管跟蹤算法[D]. 張佳.北京理工大學 2015
[7]基于形態(tài)學的血管圖像分割技術研究及其應用[D]. 吳立仁.華北電力大學（北京） 2010



本文編號：3300292